本發明涉及編程方法，更具體地說是指基于llm多智能體協作的代碼生成方法、裝置及計算機設備。

背景技術：

1、近年來，llm(大語言模型，large?language?model)技術快速發展，代表性成果包括openai的gpt系列、google的gemini和anthropic的claude等。這些模型在自然語言處理、文本生成、代碼生成等領域表現出了強大的能力。在編程輔助方面，已有多種基于llm的工具和方法被提出，并取得了一定成果，尤其在處理簡單編程任務時，能夠顯著提高開發效率。mas(多智能體系統，multi-agentsystem)是人工智能領域的核心研究方向，旨在通過多個自主智能體的協作，解決復雜問題。mas技術已在機器人控制、分布式計算、交通管理和經濟建模等多個領域取得應用成果。盡管在軟件工程領域也有研究探索將mas應用于需求分析、代碼生成與測試等任務，但相關研究目前大多處于理論探索階段或原型系統開發階段，尚未形成成熟的商業化產品。

2、中國專利cn202411244668.0提出了一種人工智能輔助編程方法，結合了有向圖和大模型來生成代碼。當預設的有向圖無法覆蓋時，再使用大模型進行補充生成。該技術方案集中于大模型與多智能體協作的結合，重點在于解決編程任務中的復雜性。目前還有一種編程方式，是基于單個llm的輔助編程工具，這些工具將llm作為核心代碼生成引擎，用戶提供編程需求，llm根據這些需求生成相應的代碼片段。代表性工具包括github?copilot、tabnine和cursor等，它們在一定程度上實現了代碼生成。具體地，用戶在集成開發環境中輸入自然語言或代碼片段，表述其編程需求；將用戶輸入的需求作為提示(prompt)，傳遞給預訓練的llm模型進行處理；llm根據輸入需求和上下文信息生成代碼片段或建議；用戶從生成的代碼建議中選擇適合的片段，并將其插入到代碼編輯器中。

3、然而，現有基于單個llm的輔助編程工具在處理復雜編程任務時，單個llm難以有效分解和規劃任務，特別是在面對大型項目或復雜需求時，效率和質量往往受到限制；單一llm需要覆蓋所有編程領域，而llm的能力是有限的，導致在某些領域生成的代碼質量較低，降低了編程輔助的專業性；單一llm無法模擬團隊協作，缺少協作和溝通機制，影響代碼審查和集成等環節的效率；現有系統的任務調度策略較為簡單，無法根據需求靈活優化資源分配，導致系統性能和資源利用率低，無法應對復雜的編程環境。

4、因此，有必要設計一種新的方法，實現提升編程效率與質量，優化資源分配，支持復雜需求和大型項目的高效開發。

技術實現思路

1、本發明的目的在于克服現有技術的缺陷，提供基于llm多智能體協作的代碼生成方法、裝置及計算機設備。

2、為實現上述目的，本發明采用以下技術方案：基于llm多智能體協作的代碼生成方法，包括：

3、獲取用戶編程需求；

4、基于llm對所述用戶編程需求進行分析且分解編程任務，以生成任務樹；

5、從所述任務樹選擇待分配子任務，并基于llm評估智能體池內智能體與所述待分配子任務的匹配度，生成任務分配指令；

6、發送所述任務分配指令至對應的目標智能體，以由所述目標智能體執行所述待分配子任務，并反饋執行結果；

7、輸出所述執行結果。

8、其進一步技術方案為：所述基于llm對所述用戶編程需求進行分析且分解編程任務，以生成任務樹，包括：

9、將所述用戶編程需求進行形式轉換，以得到轉換結果；

10、將所述轉換結果輸入至llm中，進行深入理解并分解為關鍵功能模塊和組件，以得到初步分解結果；

11、對所述初步分解結果進行遞歸分解，以得到子任務；

12、將所述子任務按照邏輯關系組織成樹狀結構的任務樹。

13、其進一步技術方案為：所述任務樹內記錄各節點的任務描述、輸入輸出數據及依賴信息。

14、其進一步技術方案為：所述從所述任務樹選擇待分配子任務，并基于llm評估智能體池內智能體與所述待分配子任務的匹配度，生成任務分配指令，包括：

15、獲取智能體實時信息；

16、根據任務優先級和依賴關系，從所述任務樹中篩選并排序待分配子任務；

17、使用llm對每個待分配子任務與所述智能體實時信息進行匹配度評估，以得到目標智能體；

18、根據所述待分配子任務以及所述目標智能體生成任務分配指令。

19、其進一步技術方案為：所述任務分配指令包括待分配子任務id、目標智能體id、任務描述以及輸入數據。

20、其進一步技術方案為：所述根據任務優先級和依賴關系，從所述任務樹中篩選并排序待分配子任務，包括：

21、根據任務優先級和依賴關系，通過遍歷任務樹，檢查子任務狀態，從所述任務樹中篩選候選子任務；

22、利用拓撲排序算法對所述候選子任務進行排序，以得到待分配子任務。

23、其進一步技術方案為：所述發送所述任務分配指令至對應的目標智能體，以由所述目標智能體執行所述待分配子任務，并反饋執行結果，包括：

24、發送所述任務分配指令至對應的目標智能體，以由所述目標智能體解析所述任務分配指令，并根據解析的結果分解所述待分配子任務，并與其他智能體進行協作，以獲取所需數據或解決問題，根據獲取的內容執行所述待分配子任務，以生成執行結果，并反饋至所述執行結果。

25、其進一步技術方案為：所述執行結果包括待分配子任務執行所得的結果以及對應的子任務狀態更新消息。

26、本發明還提供了基于llm多智能體協作的代碼生成裝置，包括：

27、需求獲取單元，用于獲取用戶編程需求；

28、任務樹生成單元，用于基于llm對所述用戶編程需求進行分析且分解編程任務，以生成任務樹；

29、任務分配指令生成單元，用于從所述任務樹選擇待分配子任務，并基于llm評估智能體池內智能體與所述待分配子任務的匹配度，生成任務分配指令；

30、發送單元，用于發送所述任務分配指令至對應的目標智能體，以由所述目標智能體執行所述待分配子任務，并反饋執行結果；

31、輸出單元，用于輸出所述執行結果。

32、本發明還提供了一種計算機設備，所述計算機設備包括存儲器及處理器，所述存儲器上存儲有計算機程序，所述處理器執行所述計算機程序時實現上述的方法。

33、本發明與現有技術相比的有益效果是：本發明通過分析用戶編程需求、生成任務樹并優化任務分配，系統高效匹配智能體執行子任務，提升資源利用和開發效率，確保項目高質量完成，具體地，獲取并分析用戶的編程需求，系統能迅速理解任務目標，確保精準把握開發方向；基于llm，編程需求被分解為清晰的任務樹，幫助系統識別任務的具體細節和優先級，提升任務管理的效率；依據智能體的專長和任務要求，評估匹配度并優化任務分配，確保高效的資源利用；靈活的任務分配機制能夠適應復雜需求和大型項目，確保各個子任務能夠由最合適的智能體執行；執行結果的反饋促使系統不斷優化，確保編程質量、提高開發效率，并在項目中實現持續的進步與協作。

34、下面結合附圖和具體實施例對本發明作進一步描述。